三维重建,三维重构

1、本科毕业论文(设计)调研报告题 目 基于二维图形的三维构造 学生姓名 张鹏宇 指导教师 张昊 学 院 信息科学与工程学院 专业班级 电子信息工程 完成时间 2016年1月 本科生院制 1 / 1摘要三维重建是指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。在计算机视觉中, 三维重建是指根据单视图或者多视图的图像重建三维信息的过程. 由于单视频的信息不完全,因此三维重建需要利用经验知识. 而多视图的三维重建(类似人的双目定位)相对比较容易, 其方法是先对摄像机进行标定, 即计算出摄像机的图象

2、坐标系与世界坐标系的关系.然后利用多个二维图象中的信息重建出三维信息。关键词：计算机图形学目录前言1第一章 脑电波概述21.1情绪的生理基础21.2脑电的基本概念31.3脑电信号的特点31.4基于脑电波的人体情绪分析的意义4第二章 设计中涉及的方法52.1情绪诱发方法保证获得所需的数据52.2脑电的采集和预处理数据采集62.3非参数谱估计法分析数据72.2.1周期图法72.2.2平均周期图法72.2.3相关图法8第三章 基于脑电波的人体情绪分析的总体设计93.1前期准备工作93.2数据采集及预处理103.4 数据分析程序编写113.3数据分析123.4得出结论12第四章 目前存在问题134.1

3、脑电信号的采集134.2真实环境对脑电信号的影响134.3个体差异性与共同模式13结论14参考文献15-2-基于脑电波的人体情绪分析前言情绪是多种感觉、思想和行为的综合产生的心理状态和行为状态，它包括人对外界或自身刺激的心理反应，也包括伴随这种心理反应的生理反应，而脑电波反映了人体脑神经细胞的活动。神经科学和认知科学的研究结果表明，情绪的产生于生理活动，特别是与大脑皮层的活动密切先关。在产品开发的过程中，若产品能做到通过脑电波了解到用户的情绪和喜好，并作出相应调整，就能增加其用户体验，更加人性化；若医院及其护理人员等通过病人的脑电波进行情绪分析，病人能得到更好的照料，有利于治疗。由此，可以看出

4、基于脑电波的人体情绪分析相当重要，尤其是对于人-机交互接口模块起到了理论指导意义。对于情绪的研究已久，使用的方法也各不相同。近年来，随着脑电信号采集设备的应用和推广，信号处理和及其学习技术的快熟发展，以及计算机数据处理能力的大幅提高，基于脑电的人体情绪分析研究不但是神经-科学、心理学、认知科学、计算机科学和人工智能等领域的一项重要的交叉学科研究课题，而且已经成为神经工程和生物医学工程领域觉的热门课题。在本文将对课题调研的内容逐一介绍，在第一节就情绪、脑电波进行介绍，在第二节，介绍本设计会讨论应用到的方法，如诱导情绪的方法、用于分析数据的非参数谱估计法等；在第三节，将介绍本次毕业设计的总体思路；

5、最后，我们会就本次设计存在的问题进行讨论。 第一章 脑电波概述1.1情绪的生理基础情绪最早的定义出现于美国心理学之父James于1884 年发表的文章，他认为情绪是人们对于自己身体所发生的变化的一种感觉，先有身体的变化才有情绪的感知，任何情绪的产生都一定伴随着身体上的某些变化，如面部表情，肌肉紧张，内脏活动等。1885 年丹麦生理学家Lange也提出了类似的观点。因此，后人把他们对情绪的研究统称为James-Lange 理论，也叫情绪的外周理论。James-Lange 理论肯定了人的生理因素与情绪之间的内在联系，但将情绪的产生只归结为外周生理的变化却带有片面性。1927 年Cannon 在论文

6、中否定了James 的情绪理论，提出情绪的产生是由丘脑所决定的。认为当外界刺激传递到大脑皮层后，大脑皮层就会激活丘脑，并由此产生相应的不同情绪。Cannon 的同事Bard 也认为情绪的产生与丘脑有关，因此有人将他们的研究称为Cannon-Bard 理论。Cannon-Bard 理论肯定了丘脑在情绪产生过程中的重要作用，但完全否定了外周生理与情绪产生之间的关系，也失于片面。1937 年Papez 再次将情绪的产生与人的生理活动联系在一起，并提出了情绪产生的边缘系统机制，即Papez 环路( 如下图1所示)。图1情绪功能性解剖学的Papez 环路理论他认为，与情感刺激相关的感觉信息在传到丘脑后，

7、会向感觉皮层( 思维流) 和下丘脑( 感觉流) 传播。Papez 提出从下丘脑到丘脑前核再到扣带皮层的连接。当扣带皮层整合从下丘脑传来的信号和从感觉皮层传来的信息时，便产生了情感体验或感觉。从扣带皮层到海马体再到下丘脑的输出产生了自上而下的情感反应皮质控制。在Papez 环路提出十几年后，心理学家Maclean 在其基础上又提出了内脏脑的概念。他认为内脏脑负责调解所有与情绪相关的器官，并通过下丘脑调解内脏和骨骼的相应反。Papez-Maclean 理论将前人对于情绪的研究结果统合在了一起，为后人对情绪的研究奠定了基础。尽管对情绪的定义至今尚未统一，还在进一步研究之中，但神经科学和认知科学的研究

8、结果表明，情绪的产生与生理活动，特别是与大脑皮层的活动密切相关，这为通过研究大脑皮层的活动分析和识别人的情绪状态提供了理论依据。1.2脑电的基本概念脑电信号是通过电极记录下来的脑细胞群的自发性、节律性电活动。在这电现象伴随着生命的始终，一旦死亡，电现象就会随之消失。我们通常所说的脑电图是指头皮脑电图（electroencephalogram, EEG），它由大量的大脑皮层神经元突出后电位共同作用产生大脑神经活动的外部表现。按照脑电的产生方式，脑电分为自发脑电和诱发脑电。自发脑电时在没有外界刺激下，由神经元的自发活动产生，而诱发脑电时由外界刺激导致大脑皮层的某些区域产生规律的放电而产生。从频谱分

9、析的角度来说，EEG可被分为五种节律活动：节律（0.14Hz）、节律（48Hz）、节律(813Hz)、节律（1330Hz）和节律（30100Hz）。信号的带宽为0.5100Hz，其幅值范围通常是10100V。1.3脑电信号的特点（1）脑电信号非常微弱，并且受到多种噪声的干扰。EEG的幅度为微伏(V)级，而肌电，眼电，心电都达到毫伏(mV)水平。一般的眨眼动作都会引入对脑电的干扰，因此脑电信噪比很低。脑电的采集和分析对放大器和滤波器的要求很高。（2）脑电信号是多维度，非线性，非平稳随机信号。脑电信号是同时采集于多个电极的时间序列信息，是个多维度信号，但是每个电极之间的信号可能存在冗余。脑电产于人

10、脑这个非线性系统，因此更适合使用非线性方法进行分析。脑电是一个非平稳随机信号，它的统计特性随着时间不断变化，所以脑电分析一般需要分段，以便分段后的信号可以当作平稳信号进行处理。（3）脑电信号具有很高的时间分辨率，在研究脑电不同节律的功能时具有独特的优势。脑电的高时间分辨率弥补了功能性核磁共振的不足之处，因此它不仅被广泛应用于认知和神经科学的研究中，还应用在麻醉监护，测谎，人机交互等工程领域。1.4基于脑电波的人体情绪分析的意义随着神经科学和认知科学对情绪的深入研究和干电极技术的快速发展，基于脑电波的人体情绪分析将在不远的未来得到广泛的应用。目前脑-计算机接口已经涌现出了很多有效的应用，如基于运

11、动想象的轮椅控制，基于脑电的情绪分析可以在现有脑-计算机接口技术的基础上，进一步满足残疾人的某些更高级的需求，如对于患有特定疾病的残疾人，可以通过脑电分析出其对事物的喜好度，比如餐食的选择、电视节目的选择和音乐的选择等，从而设计出更加友善和更加智能的脑-计算机接口，达到更好的护理效果，提高残疾人的生活质量；对于高速铁路和长途汽车司机来说，当司机处于紧张，兴奋，愤怒或焦躁等情绪时，发生事故的几率会明显上升。倘若利用脑电实时监控司机的情绪状态，并在司机出现不良情绪时发出警报，那么就可以在一定程度上避免或减少事故的发生；在战场上，通过在士兵头盔中布设电极，开发出可以实时监测士兵工作压力的可移动系统，

12、从而指挥官可以通过该系统更好地了解士兵的状态，更合理地分配士兵的任务；在远程教育，通过基于脑电的情绪分析，教师可以远程实时地了解学生的精神状态，并根据学生的状态，适当的调整授课难度，以增强教育的人性化，使计算机作为媒介进行学习的功能达到最佳化。在各种人-机交互系统里，如果系统能通过脑电波分析出人的情绪状态，人与机器的交互就会变得更加友好和自然。第二章 设计中涉及的方法在本设计中，无论在采集数据，还是在分析数据时，都要应用到一些方法。下面分别介绍在采集数据、分析数据应用到的一些方法。2.1情绪诱发方法保证获得所需的数据 情绪研究的重要前提条件之一是诱发情绪。在采集不同情绪的脑电波时，必须确保所采

13、集的数据仅对应某一种情绪（兴奋或平静），因此被测试者在采集数据期间保持该情绪，诱发被测试者的情绪十分重要。在实验条件下，情绪的诱发方法可以概括为以下三种:第一，在自由心理状态下产生情绪，由被测试者自身激活情绪，实验者无需提供任何情绪刺激。例如在催眠状态下，被测试者通过想象某种情绪从而产生该情绪。第二，在心理引导状态下产生情绪。被测试者先被给予某种情绪暗示的指导语，再被提供情绪刺激。或者不给予暗示指导语，只提供情绪刺激材料，如电影，图片或音乐。或者模拟某种生活场景，给予被试积极或消极的反馈来诱发情绪。第三，通过改变生理状态诱发情绪。使用药物，如肾上腺素，可以引导出某种情绪。第四，被测试者保持情绪

14、平静，先进行数据测量；随后被测试者进行深呼吸，使大脑皮层兴奋。在上述情绪诱发方法，第一种方法对于实验人员要求过高，第三种方法存在安全隐患，第三种方法会由于个体差异而难以实现目的。其中第四种方法比较容易实现目的，而且能保证被测试者的安全。2.2脑电的采集和预处理数据采集 如下图所示，EEG的采集系统分为三部分。图2 数据采集与分析系统框图采用专用的电极从头皮可以采集到微弱的脑电信号。EEG的电极实际上是一种电压传感器，通过它来记录头皮上的电位变化。由于脑电信号十分微弱，获取后必须通过放大器、滤波器和模/数转换后才能转换成计算机识别的脑电信号。经过放大的信号还必须经过滤波器的处理，滤波的目的在于对

15、该信号作数字处理前尽可能降低噪声背景对信号的污染，改善信噪比，保留原信号的真实性。除此之外，信号预处理还需要放置模/数变换后产生频率混叠，小初基线漂移及趋势项，滤除非研究电生理信号产生的伪迹。由可兴奋细胞组成的组织、器官在兴奋状态下都可以产生生理信号。而在脑电测试过程中，不可能停止这些组织和器官的生理活动，因此眨眼、眼动、舌动、心跳、呼吸、肌肉运动和汗腺兴奋等，就成了体内的干扰源（又称伪迹）。在研究中，所要去除的伪迹主要包括眼电、肌电、心电、工频干扰、电磁干扰和任务不相关的脑电等。一般弃用有伪迹（主要是眼动伪迹）的数据段，或者通过预处理方法去除脑电中的眼动伪迹。伪迹去除方法包括：伪迹减法、主成

16、分分析、独立成分分析等。伪迹减法的基本假设是测量得到的EEG是真实EEG与伪迹的线性组合，EEG与伪迹不相关，而且伪迹可通过测量手段测得；主成分分析的基本思想是利用正交原理将原来的相关自变量变换为另一组相互独立的变量，即“主成分”，然后选择其中一部分重要成分作为自变量（此时丢弃了一部分不重要的自变量），最后利用最小二乘法方法对选取主成分的模型参数进行估计，PCA在EEG各导联分布的基础上，把其信号分解为互相独立的成分，去掉不需要的伪迹成分，再重构EEG，以达到降噪的目的；理论上认为脑电信号中的心动、眼动信号以及其他干扰源所产生的干扰信号都是由相互独立的信源产生的，而通过独立成分分析法分解便可以

17、提取出有用的脑电信号。2.3非参数谱估计法分析数据神经科学和心理学的研究表明，脑电的节律（0.14Hz）、节律（48Hz）、节律(813Hz)、节律（1330Hz）和节律（30100Hz）等5个节律与人的各项生理活动有着密切的关系，因此，在提取脑电频域特征时，很多学者会先将脑电信号映射到5个节律（频段）上，再分析提取出各个频段对应的频域特征。常见的频域特征有功率谱、功率密度、能量等。这些特征的提取通常都建立在功率谱估计的基础上。非参数谱估计法是频域特征的一种方法，非参数估计法包括周期图法（periodogram）、相关图法、加窗周期图法、平均周期图法（Barlett法）、Welch法等。本设计

18、主要是使用周期图法、平均周期图和相关图法。在介绍两种办法前，先介绍一下功率谱密度。如果已知一个随机信号的自相关函数那么功率谱密度函数就是定义为： （式1）式中，；表示数学期望；表示复共轭。也就是说，该随机信号的傅里叶变换就是该随机信号的功率谱密度函数 功率谱密度函数的另外一种定义是： （式2）当自相关函数满足时，(式1)与(式2)等价。非参数谱估计法是根据（式1）与（式2）进行的。下面分别介绍周期图法和相关图法。2.2.1周期图法当信号序列是有限长的，忽略（式2）求期望和取极限预算。无须计算自相关函数，而是直接将随机信号进行傅里叶变换，然后取其幅值的平方，并除以N，即 （式3）当数据长度足够长

19、时，周期图法的分辨率高，但估计性较差，方差不会随数据的增长而减小。2.2.2平均周期图法为了提高谱估计的性能，也就是使方差变小，用平均周期图（也称Barlett法）能达到改进的目的。将总长为的数据分为段，每段长度为，分别计算每一段的周期图，然后进行平均： （式4）2.2.3相关图法相关图法是先由序列估计出自相关函数，然后对求傅里叶变换，便得到的功率谱估计，即数据长度是有限时，根据（式1）得到相关图谱估计： （式5） 式中，表示自相关函数的估计，可从（式6）或者（式7）中得到： （式6） （式7） 第三章 基于脑电波的人体情绪分析的总体设计通过调研，以及了解到的相关资料和知识，我对于本设计的流程

20、有了初步的认识，根据我的设计思路，得出了以下步骤，如下图开始前期准备数据采集数据预处理数据分析得出结论结束图3 基于脑电波的人体情绪分析的总体设计流程图3.1前期准备工作为了确保采集工作的顺利进行，以及保证所采集数据的科学性。在进行脑电波数据采集前，必须做好以下准备工作：（1） 根据上面2.1所说的情绪诱发方法，指导被试验者按照指定的呼吸频率进行呼吸。（2） 邀请数名志愿者参与脑电波采集，并采集前保持头皮清洁卫生，以免因外界因素影响到采集结果。（3） 采集脑电数据的人员必须熟悉机器操作，确保脑电波采集顺利进行。3.2数据采集及预处理数据的采集和预处理过程是整个设计最关键的步骤，若有差池，实验必

21、须重做。因此，在数据采集和预处理过程中要注意：（1） 在采集数据前，被测试者保持平静。（2） 被测试者佩戴好测试仪器后，进行试验，被测试者在相应的时间上表现出不同状态。（3） 数据采集和预处理的办法依照2.2进行。（4） 每个被测试者都要进行多组数据的测试，且相邻两次测试之间要相隔30分钟以上，以保证下一次测试数据前，被测试者保持平静。3.4 数据分析程序编写 本设计采用的软件工具为MATLAB 2010b，程序可以分为以下模块：数据导入和预处理、使用非参数谱估计法求出功率谱、计算平均功率谱密度，其中，非参数谱估计法又分为两种方法进行，具体流程如下图4所示：开始数据导入以时间为依据，将整组数据

22、根据不同状态进行截取，一组原始数据得出几组不同状态的数据。不同状态下的时间序列分别进行傅里叶变换不同状态的序列分别求出功率谱计算平均功率谱密度并记入表中结束图4 数据分析程序流程图3.3数据分析本设计采用非参数谱估计法（详见2.3）对实验所得的脑电波数据进行分析，采用的软件工具为MATLAB 2010b。使用非参数谱估计法分析出不同状态（兴奋或平静）下，不同频带的功率谱计算出被测试者的脑电功率谱密度并用脑电波不同频带（波（0.14Hz）、波（48Hz）、波(813Hz)、波（1330Hz）和波（30100Hz）的平均功率谱密度的比值来表现出被测试者的状态。每个频带平均功率谱密度如式8所示（以波

23、和波为例），不同频带平均功率谱密度的比值如式9所示： （式8） （式9）其中，G()为波单个频带的平均功率谱密度，G()为波单个频带的平均功率谱密度。为波频带的上限，为波频带的下限。3.4得出结论比较不同状态下不同波段之间的平均功率谱比值，从数据分析中得到结论，即脑电波在不同情绪下的区别，并撰写毕业论文。第四章 目前存在问题虽然近年来基于情绪的脑电波分析研究已经有了比较大的进展，但多数研究还处在实验室阶段，离实际应用尚有相当距离，主要存在下列问题有待解决。4.1脑电信号的采集传统脑电采集方式通常采用湿电极技术，被试者在进行脑电采集前，必须涂抹导电介质，以克服角质层对脑电信号采集的影响。该过程需

24、要在外人辅助下进行，时间花费较长，而且导电介质的性能也会随时间变化。如果采集时间过长，导电介质的导电性会下降甚至消失，使采集到的脑电信号出现失真，从而影响脑电信号的采集质量。目前，一种新型的干电极脑电采集技术已经出现。干电极脑电采集技术可以在一定程度上解决上述问题。但是，目前干电极脑电采集技术对在毛发区域采集到的脑电信号还不是很稳定，需要进一步改进。另外，由于脑电信号十分微弱，因此在采集过程中，必须通过高放大倍数的放大器对脑电信号进行信号放大。目前商业化的脑电信号放大器的体积普遍较大，不利于便携式使用。最近出现了芯片化的脑电信号放大器，可以有效解决放大器体积过大问题，但是成本仍然较高，离实用化

25、还有一定的距离。4.2真实环境对脑电信号的影响由于脑电信号在采集过程中十分容易受到外部环境的干扰，现有的伪迹去除方法往往只针对一种噪声或几种噪声有效。而在实际应用中，由于现实环境十分复杂，干扰源也非常多，因此现有的伪迹去除方法很难有效地去除脑电信号中的伪迹。另外，在实际应用中，基于脑电的情绪识别要求在线处理，这不但要求伪迹去除算法在伪迹去除方面具有较高的有效性，对于伪迹去除算法的时间复杂度也提出了较高的要求，这就需要开发出更加有效的在线伪迹去除方法。4.3个体差异性与共同模式由于脑电信号在信号表征的过程中具有一定的个体差异性，且目前的研究还基本处在实验室阶段，主要通过刺激材料诱发被试的相应情绪

26、状态，而不同被试对于同一刺激材料的反应也会存在一定的差异。如何从这种差异之间，寻找稳定的情绪与脑电信号特征的对应关系，从而消除目前研究中的个体差异性，是目前基于脑电的情绪识别亟需解决的一个具有挑战性的问题。结论刚刚接到毕业设计任务书时，我觉得一片茫然，因为题目中的内容和涉及的方法都没有接触过的，对于这次设计的总体流程都不熟悉。后来，经过在图书馆查阅资料和文献后，我对于脑电波的基本情况、数据的采集和处理分析都有了初步的认识，后来经过老师和学长学姐们的耐心指导，我了解了脑电波与情绪的关系和详细情况。但这只是一些皮毛，为了更深入地了解，我认真地阅读相关的文献，把专业名词、方法的原理等弄懂。本设计通过

27、设计脑电波采集方案并采集数据，采用非参数谱估计法在MATLAB软件上对数据分析，研究脑电在不同的情绪下的区别。经过调研后，我基本了解了情绪与脑电波的生理关系，以及脑电数据采集过程，熟悉了非参数谱估计法的算法，对于本设计的大体思路：前期准备采集数据数据分析得出结论，有了初步的想法，并对于数据采集方案有更深的认识。目前的问题主要是对采集数据仪器的操作不熟悉，今后得要多请教同学和老师，努力学习操作过程。另外，对于使用MATLAB软件进行数据分析，还需查找与非参数谱估计法的相关资料。尽管在本科期间学习的知识只是皮毛，但我仍会边学边思考，在设计的过程中不断地增长知识，并顺利地完成毕业设计。参考文献1李颖

28、洁,EEG脑电信号分析方法及其应用,M,科学出版社,2009年,4-6. 2谢康,情绪音乐的脑电识别算法,D,成都,电子科技大学,2013年,1-47.3聂聃,王晓韡,段若男,吕宝粮,基于脑电的情绪识别研究综述,J.中国生物医学工程学报,2012年8月,31卷4期:596606. 4颜松,魏建勤,汽车驾驶员瞌睡状态脑电波特征提取的研究,J.中国生物医学工程学报,2005年2月,24卷1期,110-114. 5张海军,王浩川.多导联EEG信号分类识别研究J.计算机工程与应用 ,2008,24. 6Park H J, Oh J S, Automated sleep stage scoring us

29、ing hybrid rule-and case-based reasoning.Comput Biomed Res.2000,33(5):330-349. 7Pardey J,Roberts S,Tarassenko L,A review of parametric modelling techniques for EEG analysis.Med Eng Phys,1996,18(1):2-11. 8Bozdgan H.Model selection and Akailes information criterion（AIC）：the general theory and its anal

30、ytical extensions. Psychometrika ,1987,52(3):345-370. 9Lutzenberger W.Dimensional analysisof the human EEG and intelligence.Neueosci Lett,1922,143:10-14. 10Ttil T M,Saletu B,Davis S.EEG finding in chronic schizophrenics based on digital.Biol Psychiat,1972,5(1):1-13. 11Lei M,Wang Z Z,Feng Z J.Detecting nonlinearity of action surface EMG signal.Phys Lett A 2011.290(6):297-303. 12 A. Gerrards-Hesse, K. Spies, F. W. Hesse. Experimental inductions of emotional states and their effectiveness: areviewJ.British journal of psychology, 1994, 85(1): 55-78. 13James W. What i